An assumption-free exact test for fixed-design linear models with exchangeable errors¶

作者: Lihua Lei, Peter J Bickel
来源: Biometrika
主题: 数理统计 / 假设检验
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本文所解决的子方向是：在固定设计线性模型中，对回归系数的一般线性假设进行有限样本精确检验。其根本问题是：当误差分布完全未知（仅假设可交换性）时，能否构造一个检验，使得在任意固定设计矩阵下，第一类错误率在有限样本下精确等于名义水平α，而不依赖渐近近似或分布假设？该方向当前成熟度较低——绝大多数现有方法要么依赖正态性假设（t/F检验），要么依赖渐近近似（置换检验、bootstrap），要么对设计矩阵有严格限制（如随机设计、独立同分布行）。

发展脉络（history）¶

奠基工作（1960s-1980s）： - Efron (1969) 和 Pinelis (1994) 建立了在正交对称性（orthant symmetry）条件下，Hotelling's T² 检验的精确有限样本性质。Pinelis [14] 的关键贡献是证明了在正交对称性下，T² 统计量的分布可以被 χ²_d 随机占优，从而构造出对任意样本都有效的保守检验。这是本文"精确有限样本检验"思想的直接先驱。 - Freedman & Lane (1983) 和 Anderson & Robinson (2001) 提出了置换检验的修正版本（Freedman-Lane 检验），通过置换残差而非原始响应来近似零分布。但这些方法本质上是渐近的——它们只在样本量趋于无穷时控制第一类错误，有限样本下可能严重偏离名义水平。

主要进展（1990s-2010s）： - Chung & Romano (2013) [9] 提出了"渐近稳健置换检验"的一般框架。他们证明，通过恰当的 studentization，置换检验可以在保持"分布相同"假设下精确控制第一类错误的同时，在"参数相等"的更一般零假设下渐近控制第一类错误。其核心工具是耦合构造和邻接性论证。但该方法仍然是渐近的——有限样本下不能保证精确控制。 - DiCiccio & Romano (2017) [13] 将类似思想应用于相关系数和回归系数的检验，证明了 studentized 置换检验的渐近稳健性。他们特别指出，未 studentized 的置换检验可能产生很大的第三类错误（方向错误）概率。 - Cattaneo, Jansson & Newey (2015) [11] 研究了"多协变量+异方差"下的线性模型推断，发现所有标准 Eicker-White 异方差一致标准误估计量在高维渐近下都不一致，并提出了新的稳健标准误公式。这揭示了在高维/多协变量设定下，传统推断方法的脆弱性。

当前 frontier 与本文位置： - Meinshausen (2013) [1] 提出了"群界"（group bound）方法，可以在不对设计矩阵做任何假设的情况下，为高维回归中变量组的联合效应构造单侧置信区间。其核心思想是通过线性规划得到回归系数的下界。但该方法得到的置信区间通常非常宽，且只适用于单侧推断。 - Barber & Candès (2015) [8] 提出了 knockoff 滤波器，在至少与变量数一样多的观测下，对线性模型中的变量选择实现了精确 FDR 控制。knockoff 方法不依赖设计矩阵或噪声水平的任何假设，是精确有限样本推断的另一个里程碑。但 knockoff 专注于变量选择（FDR 控制），而非一般线性假设检验。 - Lei, Bickel & El Karoui (2018) [3] 建立了固定设计下 M-估计量坐标渐近正态性的严格理论，使用二阶 Poincaré 不等式和 leave-one-out 分析。他们特别指出，对于某些设计（如 ANOVA 型设计），渐近正态性可能不成立，这凸显了在固定设计下进行精确推断的困难。 - 本文（Lei & Bickel, 2021） 提出了循环置换检验（cyclic permutation test），这是第一个在任意固定设计矩阵和任意可交换误差下，对一般线性假设实现有限样本精确第一类错误控制的检验。其核心创新在于：通过构造一个非标准的循环置换群，使得一组精心选择的线性统计量的联合分布在零假设下保持不变，从而无需任何分布假设或渐近近似即可进行精确检验。

子线索聚类¶

这些被引文献大致落在三条子线索上：

精确有限样本推断（exact finite-sample inference）：
代表工作：Pinelis (1994) [14]（正交对称性下的精确 T² 检验）、Barber & Candès (2015) [8]（knockoff 的精确 FDR 控制）、Meinshausen (2013) [1]（群界方法）
共同特征：不依赖渐近近似，在有限样本下提供精确的概率保证
瓶颈：要么只适用于特定对称性假设（Pinelis），要么只解决变量选择问题（knockoff），要么只给出很宽的区间（群界）
渐近稳健置换检验（asymptotically robust permutation tests）：
代表工作：Chung & Romano (2013) [9]、DiCiccio & Romano (2017) [13]、Freedman & Lane (1983)
共同特征：通过 studentization 或残差置换，使置换检验在更一般的零假设下渐近有效
瓶颈：有限样本下不能保证精确控制，且通常需要随机设计或独立同分布行假设
高维线性模型推断（inference in high-dimensional linear models）：
代表工作：Cattaneo et al. (2015) [11]（多协变量下的稳健标准误）、Lei et al. (2018) [3]（固定设计 M-估计的渐近正态性）、El Karoui (2013) [2]（高维稳健回归的渐近行为）、Donoho & Montanari (2013) [10]（AMP 方法）
共同特征：研究 p/n 趋于常数时的渐近行为，揭示传统方法在高维下的失效
瓶颈：依赖随机设计或特定结构假设，且结果本质上是渐近的

这个方向在追问的核心问题¶

能否在固定设计下实现精确推断？ 大多数精确方法（如 knockoff）要求设计矩阵满足某些条件（如至少 n ≥ p），而渐近方法则依赖随机设计假设。固定设计下的精确推断是一个长期未解决的问题。
能否在误差分布完全未知时进行精确检验？ 传统精确检验（如 t 检验）依赖正态性假设。能否仅假设误差可交换性（比独立同分布更弱）就实现精确控制？
检验功效能否与渐近方法相当？ 精确方法通常以牺牲功效为代价换取第一类错误控制。能否在保持精确控制的同时达到与渐近方法可比的功效？
能否处理一般线性假设？ 大多数精确方法只处理特定假设（如单个系数为零、变量选择）。能否处理形如 H₀: Cβ = 0 的一般线性假设？

⚠️ 作者的 framing¶

作者把缺口 frame 成：现有方法要么依赖分布假设（正态性）、要么依赖渐近近似（置换检验、bootstrap）、要么只适用于特定设计（随机设计）。本文声称填补了"在固定设计和任意可交换误差下，对一般线性假设进行有限样本精确检验"这一空白。作者特别强调，他们的方法不依赖任何分布假设（包括同方差性），仅要求误差可交换性——这比独立同分布更弱。

被淡化或回避的竞争路线： - knockoff 方法（Barber & Candès, 2015）[8] 在变量选择问题上也实现了精确 FDR 控制，但作者将其定位为"不同问题"（变量选择 vs. 一般线性假设检验），没有深入讨论两者在技术上的联系或优劣。 - 群界方法（Meinshausen, 2013）[1] 同样不依赖设计假设，但只给出单侧置信区间。作者没有讨论能否将群界方法扩展到双侧检验或一般线性假设。 - Pinelis (1994) [14] 的正交对称性方法在更弱的对称性假设下实现了精确检验，但作者将其定位为"特殊对称性"（orthant symmetry vs. exchangeability），没有讨论两者在适用性上的重叠。

什么明显该被引/该存在、却没出现在 intro 里： - Rosenbaum (2002) 关于"协变量平衡置换检验"的工作——该工作也使用非标准置换来构造精确检验，但作者没有引用。 - Lehmann & Romano (2005) 的《Testing Statistical Hypotheses》中关于置换检验的精确性质的一般讨论——这是该领域的标准参考书。 - Bickel & Freedman (1983) 关于 bootstrap 在非参数回归中失效的经典结果——作者引用了 El Karoui & Purdom (2018) 的后续工作，但没有直接引用这个奠基性结果。

张力¶

未见明显对立引用。被引工作之间在结论上基本一致：都承认在固定设计下进行精确推断是困难的，且渐近方法在有限样本下可能严重偏离名义水平。主要分歧在于解决路径：一派（Chung & Romano, DiCiccio & Romano）主张通过 studentization 使置换检验渐近稳健，另一派（Pinelis, Barber & Candès, 本文作者）则追求精确有限样本控制。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号： - n：样本量（观测数） - p：参数个数（协变量数） - X：n × p 固定设计矩阵（非随机），第 i 行为 xᵢ' ∈ ℝᵖ - β：p × 1 未知回归系数向量（待估/待检验的参数） - ε：n × 1 误差向量，ε = (ε₁, ..., εₙ)'，假设可交换（exchangeable）：即对于任意置换 π，向量 (ε_π(1), ..., ε_π(n)) 与 (ε₁, ..., εₙ) 同分布 - y：n × 1 响应向量，y = Xβ + ε（可观测数据） - C：q × p 已知矩阵（q ≤ p），定义零假设 H₀: Cβ = 0（一般线性假设） - α：名义显著性水平（第一类错误率），要求 1/α 为整数 - k：k = 1/α，即置换群的大小 - G：一个大小为 k 的循环置换群，作用于 n 个位置

模型： - 固定设计线性模型：y = Xβ + ε - 误差 ε 可交换（比独立同分布更弱，允许任意依赖结构，只要联合分布在置换下不变） - 设计矩阵 X 是固定的（非随机），不假设任何分布或结构 - 唯一假设：ε 可交换 + X 固定 + n/p ≥ 1/α - 1

可观测数据： - 可观测：设计矩阵 X（已知常数）、响应向量 y（随机样本） - 不可观测：误差 ε（潜在量）、回归系数 β（待估参数） - 想要但观测不到：在零假设 H₀: Cβ = 0 下，y 的分布——我们只知道 y = Xβ₀ + ε（其中 β₀ 满足 Cβ₀ = 0），但不知道 ε 的具体分布

第二步：讲最小内核¶

最简特例：检验单个系数是否为零（p=1, q=1, C=[1]）

考虑最简单的线性模型： - yᵢ = β xᵢ + εᵢ, i = 1, ..., n - 零假设 H₀: β = 0 - 误差 ε₁, ..., εₙ 可交换 - 设计点 x₁, ..., xₙ 是已知常数（固定设计） - 要求 n ≥ 1/α - 1（即 n ≥ k - 1，其中 k = 1/α）

在这个特例下，要证的命题退化成什么？

要构造一个检验 φ(y) ∈ {0,1}，使得在 H₀ 下 P(φ(y) = 1) = α（精确控制第一类错误），且不依赖 ε 的分布。

核心思路（3步）：

构造 k 个线性统计量：选择 k = 1/α 个系数向量 a₁, ..., a_k ∈ ℝⁿ，使得在 H₀ 下，这 k 个统计量 Tⱼ = aⱼ'y 的联合分布在某个循环置换群 G 下保持不变。
循环置换群 G：G 是一个大小为 k 的循环群，作用于 n 个位置。具体地，G = {g₀, g₁, ..., g_{k-1}}，其中 gₘ 将位置 i 映射到位置 (i + m) mod n（假设 n 是 k 的倍数，否则需要更精细的构造）。
关键性质：如果 a₁, ..., a_k 满足 aⱼ = g_{j-1}(a₁)（即 aⱼ 是 a₁ 的循环移位），那么在 H₀ 下（y = ε），由于 ε 可交换，T₁, ..., T_k 的联合分布在 G 下不变。这意味着在 H₀ 下，(T₁, ..., T_k) 的分布与 (T_{g(1)}, ..., T_{g(k)}) 的分布相同，对任意 g ∈ G。

检验统计量：取 T = max{|T₁|, ..., |T_k|}，拒绝 H₀ 当且仅当 |T₁| 是 {|T₁|, ..., |T_k|} 中最大的（或最小的，取决于方向）。

为什么这能精确控制第一类错误？

在 H₀ 下，由于 (T₁, ..., T_k) 的联合分布在循环置换下不变，所以 |T₁| 在 {|T₁|, ..., |T_k|} 中的秩是均匀的——它等可能地是第 1 大、第 2 大、...、第 k 大。因此，P(|T₁| 是最大的) = 1/k = α。这就是精确控制。

关键挑战：如何选择 a₁ 使得 aⱼ = g_{j-1}(a₁) 且 aⱼ'X = 0（在零假设下，我们希望统计量不依赖于 β）？对于 p=1 的情况，这要求 aⱼ'x = 0，其中 x = (x₁, ..., xₙ)'。这相当于要求 a₁ 与 x 正交，且其所有循环移位也与 x 正交。这通常不可能同时满足——除非 x 本身具有某种循环对称性。

本文的解决方案：不要求 aⱼ'X = 0，而是要求在原假设下（即当 Cβ = 0 时），Tⱼ 的分布不依赖于 β。这通过要求 aⱼ 位于 X 的列空间的正交补中来实现——即 aⱼ ∈ Col(X)^⊥。对于 p=1，这要求 a₁'x = 0。但循环移位后的 aⱼ = g_{j-1}(a₁) 不一定满足 aⱼ'x = 0。因此，本文不要求 aⱼ 是 a₁ 的精确循环移位，而是要求存在一个大小为 k 的循环置换群 G，使得在 H₀ 下，Tⱼ 的联合分布在 G 下不变。这通过求解一个线性系统来实现：找到 a₁, ..., a_k ∈ ℝⁿ 使得： - 对每个 j，aⱼ ∈ Col(X)^⊥（即 X'aⱼ = 0） - 对每个 j，aⱼ 是 a₁ 在某个循环置换下的像（即 aⱼ = P_{g_{j-1}} a₁，其中 P_g 是置换矩阵） - 这些 aⱼ 线性无关

这个线性系统有解的条件：n - p ≥ k - 1（即 n/p ≥ 1/α - 1）。这正是本文的主要条件。

最小内核总结：本文的核心数学问题是：给定固定设计矩阵 X 和可交换误差 ε，能否构造 k = 1/α 个线性统计量，使得它们在零假设下的联合分布在某个循环置换群下不变？答案是肯定的，当且仅当 n - p ≥ k - 1。构造方法是通过求解一个线性系统找到位于 Col(X)^⊥ 中的 k 个向量，它们构成一个循环置换群的轨道。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在固定设计线性模型 y = Xβ + ε 中，对一般线性假设 H₀: Cβ = 0 进行有限样本精确检验，其中误差 ε 可交换，设计矩阵 X 任意固定。
核心工具/方法：提出了循环置换检验（cyclic permutation test, CPT），通过构造 k = 1/α 个位于 Col(X)^⊥ 中的线性统计量，使其联合分布在非标准循环置换群下保持不变，从而将边际秩检验（marginal rank test）应用于这些统计量以实现精确第一类错误控制。
主要结论：当 1/α 为整数且 n/p ≥ 1/α - 1 时，CPT 在有限样本下精确控制第一类错误率 α，对任意固定设计矩阵和任意可交换误差均成立。模拟研究表明，CPT 的功效与现有检验（t/F 检验、置换检验、Freedman-Lane 检验）相当。对于单个对比，可通过逆检验获得精确置信区间。

关键设定与假设¶

完整设定（在第二节最小记号基础上补充）：

模型：y = Xβ + ε，其中 X 是 n × p 固定设计矩阵（秩为 p），β ∈ ℝᵖ，ε ∈ ℝⁿ 可交换
零假设：H₀: Cβ = 0，其中 C 是 q × p 已知矩阵，秩为 q（q ≤ p）
备择假设：H₁: Cβ ≠ 0
显著性水平：α ∈ (0,1)，要求 1/α ∈ ℕ（即 α = 1/k，k 为正整数）
样本量条件：n/p ≥ 1/α - 1（即 n ≥ p(k-1)）

关键假设： 1. 误差可交换性：对于任意置换 π，ε 与 P_π ε 同分布，其中 P_π 是置换矩阵。这比独立同分布更弱——允许任意依赖结构，只要联合分布在置换下不变。例如，任意独立同分布误差、任意球对称分布（如多元 t 分布）、任意可交换序列（如有限可交换序列）都满足。 2. 固定设计：X 是非随机的。这比随机设计假设更弱——不要求 X 的行独立同分布，也不要求任何特定结构。 3. 满秩：X 列满秩（秩为 p）。这是标准假设，确保参数可识别。

相比已有文献放宽或强化了哪些： - 放宽：不要求误差正态性（vs. t/F 检验）、不要求误差独立同分布（vs. 大多数置换检验）、不要求随机设计（vs. 高维渐近理论）、不要求设计矩阵的特定结构（vs. knockoff 的 n ≥ p 条件） - 强化：要求 1/α 为整数（vs. 大多数检验接受任意 α）、要求 n/p ≥ 1/α - 1（vs. 渐近检验没有这个限制）

主要结果¶

定理 1（精确有限样本控制）：假设 ε 可交换，X 固定且列满秩，1/α = k 为整数，n ≥ p(k-1)。则循环置换检验（CPT）在 H₀ 下满足 P(拒绝 H₀) = α。

直觉：构造 k 个线性统计量 T₁, ..., T_k，使得在 H₀ 下它们的联合分布在循环置换群 G 下不变。因此，|T₁| 在 {|T₁|, ..., |T_k|} 中的秩是均匀的，拒绝当且仅当 |T₁| 是最大的（概率 = 1/k = α）。
必要条件：n ≥ p(k-1) 确保存在 k 个位于 Col(X)^⊥ 中的线性无关向量，它们构成一个循环置换群的轨道。这个条件是最优的——如果 n < p(k-1)，则 Col(X)^⊥ 的维数 n-p 小于 k-1，无法构造 k 个线性无关的这样的向量。
解决的技术难点：如何同时满足"位于 Col(X)^⊥"和"构成循环轨道"两个约束？这相当于求解一个线性系统，其可解性由 n-p ≥ k-1 保证。

定理 2（功效增强）：通过求解一个二次非线性旅行商问题（TSP）来重新排序观测，可以最大化 CPT 的功效。具体地，找到观测的排列顺序，使得构造出的线性统计量对备择假设最敏感。

直觉：CPT 的功效取决于线性统计量 Tⱼ = aⱼ'y 在备择假设下的分离程度。通过重新排序观测（即改变循环置换群的结构），可以最大化这种分离。
TSP 形式：最大化目标函数是 ∑_{j=1}^k |aⱼ'Xβ|²（在备择假设下），这等价于一个旅行商问题，其中"城市"是观测，"距离"由设计矩阵决定。
求解方法：由于 TSP 是 NP-hard 的，作者建议使用遗传算法（genetic algorithm）获得近似解。模拟表明，即使使用近似解，CPT 的功效也与现有方法相当。

定理 3（逆检验与精确置信区间）：对于单个对比（q=1），可以通过逆检验获得精确置信区间。具体地，对于线性对比 c'β（c ∈ ℝᵖ），置信水平为 1-α 的精确置信区间为 {c'β₀ : CPT 在 H₀: c'β = c'β₀ 下不拒绝}。

直觉：逆检验是标准技术——如果对每个可能的零假设值都有一个精确水平 α 的检验，那么所有不被拒绝的值构成一个 1-α 置信区间。
计算：由于 CPT 的拒绝域是显式的，置信区间可以通过二分搜索高效计算。

证明路线与技术技巧¶

整体路线（3步逻辑主干）：

构造线性统计量（引理 1-3）：
给定 k = 1/α，构造 k 个向量 a₁, ..., a_k ∈ ℝⁿ，满足： (a) 对每个 j，aⱼ ∈ Col(X)^⊥（即 X'aⱼ = 0） (b) 存在一个大小为 k 的循环置换群 G = {g₀, ..., g_{k-1}}，使得 aⱼ = P_{g_{j-1}} a₁（即 aⱼ 是 a₁ 的循环移位） (c) a₁, ..., a_k 线性无关
可解性条件：n - p ≥ k - 1（即 n ≥ p(k-1)）
构造方法：先找到 Col(X)^⊥ 的一组基，然后求解一个线性系统，将基向量组合成满足循环条件的向量
证明联合分布在循环置换下的不变性（引理 4）：
在 H₀ 下，y = Xβ₀ + ε，其中 Cβ₀ = 0
由于 aⱼ ∈ Col(X)^⊥，有 aⱼ'X = 0，所以 Tⱼ = aⱼ'y = aⱼ'ε
由于 ε 可交换，且 aⱼ = P_{g_{j-1}} a₁，有 (T₁, ..., T_k) 的分布与 (T_{g(1)}, ..., T_{g(k)}) 的分布相同，对任意 g ∈ G
因此，在 H₀ 下，T₁, ..., T_k 是可交换的（exchangeable）
构造检验并证明精确控制（定理 1）：
检验统计量：R = rank(|T₁|) 在 {|T₁|, ..., |T_k|} 中的秩（从大到小排序）
拒绝 H₀ 当且仅当 R = 1（即 |T₁| 是最大的）
由于 T₁, ..., T_k 在 H₀ 下可交换，|T₁| 的秩是均匀的：P(R = r) = 1/k 对每个 r = 1, ..., k
因此，P(拒绝 H₀) = P(R = 1) = 1/k = α

关键跳跃点：

从"可交换误差"到"统计量可交换"：这是最关键的跳跃。通常，即使 ε 可交换，线性统计量 aⱼ'ε 也不一定可交换——这要求 aⱼ 是某个置换群的轨道。本文通过构造 aⱼ 为循环置换群的轨道来确保这一点。这个构造依赖于线性系统的可解性，而可解性条件 n-p ≥ k-1 是本文的主要技术贡献。
从"循环置换"到"任意置换"：本文只使用了循环置换群（大小为 k），而不是全部置换群（大小为 n!）。这是故意的——因为全部置换群太大，无法保证 aⱼ ∈ Col(X)^⊥ 的同时还构成轨道。循环置换群的大小 k = 1/α 恰好匹配所需的检验水平。

技术技巧点名：

线性系统求解：用于构造满足 Col(X)^⊥ 和循环轨道条件的向量 aⱼ。具体地，设 U 是 Col(X)^⊥ 的一组基（n × (n-p) 矩阵），需要找到 v ∈ ℝ^{n-p} 使得 a₁ = Uv 且其循环移位也位于 Col(X)^⊥ 中。这等价于求解一个线性系统 (P_g U - U)v = 0，其中 P_g 是循环置换矩阵。
旅行商问题（TSP）：用于功效增强。将观测重新排序的问题转化为 TSP，其中"城市"是观测，"距离"由设计矩阵决定。TSP 是 NP-hard 的，但遗传算法可以找到合理近似解。
边际秩检验（marginal rank test）：用于从 k 个线性统计量构造检验。边际秩检验是标准非参数方法，但本文将其应用于构造的统计量而非原始数据。
逆检验：用于从检验构造置信区间。这是标准技术，但本文将其与 CPT 结合，得到了第一个在固定设计下对单个对比的精确置信区间。

真实例子与应用¶

本文为纯理论+模拟研究，无真实数据例子。作者在第 5 节进行了广泛的模拟研究，比较了 CPT 与五种竞争方法： - t/F 检验（假设正态误差） - 置换 t/F 检验（随机置换 X 的行） - Freedman-Lane 检验（置换残差） - 随机排序 CPT（观测按随机顺序排列） - GA 排序 CPT（观测按遗传算法优化的顺序排列）

模拟设定： - n = 50, p = 5, 10, 15, 20（覆盖 n/p 从 10 到 2.5） - 误差分布：正态、t(3)、卡方(3)（中心化）、混合正态 - 设计矩阵：独立同分布正态行、相关正态行（AR(1) 相关）、固定设计（如 ANOVA 型） - 零假设：H₀: β₁ = 0（单个系数）、H₀: β₁ = β₂ = 0（两个系数）

主要模拟结果： 1. 第一类错误控制：在所有设定下，CPT 的实证第一类错误率精确等于名义水平 α（在模拟误差范围内）。相比之下，t/F 检验在非正态误差下严重偏离（如卡方误差下，t 检验的实证水平可达 0.15 对名义 0.05），置换检验在固定设计下也有轻微偏离。 2. 功效：在正态误差下，CPT 的功效与 t/F 检验相当（差距在 5% 以内）。在非正态误差下，CPT 的功效有时优于 t/F 检验（如卡方误差下，CPT 的功效比 t 检验高 10-20%），因为 t/F 检验的第一类错误已经失控。 3. GA 排序 vs. 随机排序：GA 排序的 CPT 功效一致优于随机排序的 CPT，特别是在 n/p 较小（如 n/p = 2.5）时，GA 排序可提升功效 10-30%。 4. 与 Freedman-Lane 检验比较：两者功效相当，但 CPT 有精确第一类错误保证，而 Freedman-Lane 检验只有渐近保证。

模拟想说明什么：CPT 在保持精确第一类错误控制的同时，功效与现有方法相当甚至更优。GA 排序是提升功效的有效手段，且即使使用近似解（遗传算法），功效损失也很小。

🔎 结论是否比证明窄¶

是。有几个地方结论比证明窄：

1/α 为整数的限制：定理 1 要求 1/α 为整数。作者在第 6 节（讨论）中承认，对于非整数 1/α（如 α = 0.05，1/α = 20），可以通过保守方法（如取 k = floor(1/α) 并使用水平 α' = 1/k ≤ α）或随机化方法处理。但没有给出精确控制非整数 α 的证明——保守方法会损失功效，随机化方法则引入了额外的随机性。
n/p ≥ 1/α - 1 的限制：当 n/p 小于这个阈值时，CPT 无法构造 k 个线性无关的统计量。作者在第 6 节提到，可以通过"分块"策略（将观测分成多个块，在每个块内应用 CPT）来放松这个条件，但没有给出完整的理论分析——分块策略的功效和精确性尚未证明。
功效增强的 TSP 求解：定理 2 声称通过求解 TSP 可以最大化功效，但没有证明遗传算法得到的近似解能保证功效不低于某个下界。模拟显示 GA 排序有效，但缺乏理论保证。
高维情形（p > n）：本文的方法要求 n ≥ p（因为需要 Col(X)^⊥ 非平凡）。对于 p > n 的高维情形，作者在第 6 节提到"可以结合正则化方法"，但没有给出具体方案或理论分析。

四、开放问题（点到为止，扎根具体语句）¶

非整数 1/α 的精确处理：作者在第 6 节写道："When 1/α is not an integer, one can either use a conservative test with level 1/⌊1/α⌋ or a randomized test." 但保守检验损失功效，随机化检验引入额外随机性。是否存在非随机化的精确检验，对任意 α ∈ (0,1) 都有效？这需要构造大小不为整数的置换群，或使用更复杂的秩统计量。
n/p < 1/α - 1 时的精确推断：作者在第 6 节提到："When n/p < 1/α - 1, one can partition the observations into blocks and apply CPT within each block." 但分块策略的精确性和功效尚未分析。能否在更弱的条件下（如 n/p ≥ 1/α - 1 不成立时）仍然实现精确控制？这可能涉及更复杂的置换群结构或不同的统计量构造方法。
高维情形的扩展：作者在第 6 节写道："Extension to high-dimensional settings where p > n is an interesting future direction." 对于 p > n，Col(X)^⊥ 是空集，本文的构造方法直接失效。能否结合正则化（如 Lasso）或降维技术，在高维下实现类似的精确检验？这可能与 knockoff 方法（Barber & Candès, 2015）[8] 有深层联系——knockoff 也在高维下实现了精确 FDR 控制，但针对的是变量选择而非一般线性假设。
功效增强的理论保证：定理 2 的 TSP 公式给出了最优排序的理论刻画，但遗传算法只能找到近似解。能否给出近似解的功效下界？或者是否存在多项式时间算法（如凸松弛）来找到可证明的近似最优排序？这与 Fogel et al. (2013) [12] 的凸松弛方法可能有联系——他们为排列问题（seriation）开发了凸松弛，并给出了近似界。

Maintained by 陈星宇 · Homepage · Source on GitHub